Tercih edilen iş zekası araçlarının makine öğrenmesi yaklaşımı ile belirlenmesi ve incelenmesi

Abstract

Teknolojinin her geçen gün gelişmesi ve veriye erişim olanaklarının giderek artmasıyla birlikte, bilginin ve verinin boyutları da giderek artmaktadır. Bu gelişmeler ile birlikte şirketler ve çalışanlar daha fazla bilgiye, daha kolay ve hızlı bir biçimde erişerek oldukça büyük boyutlardaki verileri saklayabilir hale gelmiştir. Bu gelişmelerin sonucunda büyük ve değerli veriden anlam çıkartarak bilgiye dönüştürmek önemli bir ihtiyaç haline gelmiş ve daha karmaşık bir hal almıştır. İş zekası uygulamaları, farklı veri kaynaklarından toplanan farklı türdeki verileri belirli bir düzen dahilinde kümeleyip ayrıştırarak, saklanan bu veriler arasında anlamlı ilişkiler kurup çeşitli rapor ve gösterge panelleri oluşturulmasını sağlar. Bu tez çalışmasında, tercih edilen iş zekası araçları makine öğrenmesi yöntemi ile tespit edilerek, tespit edilen bu araçların sahip oldukları bazı özellikler sunulmuştur. Böylece kullanıcılarda doğru iş zekası aracını seçebilmeleri için fikir oluşturulması amaçlanmıştır. Çalışma kapsamında iş zekası, iş zekası araçları ve tercih edilen iş zekası araçlarının tespit edilmesinde kullanılan makine öğrenmesi yönteminin genel tanımı yapılarak, tespit edilen bazı iş zekası uygulamalarına detaylı olarak değinilmiştir. Ayrıca literatürdeki bazı bilimsel çalışmaların analizi gerçekleştirilerek elde edilen bulgular verilerek, kullanıcılara farklı bakış açıları kazandırabilecek fikirler verilmesi amaçlanmıştır. Yapılan bilimsel çalışmalar, araştırmaya konu olan bu araçların güncel yapılarını ortaya koymakla beraber ileride yapılacak olan çalışmalar için kullanılabilecekleri göz önüne serebilmeyi hedeflemektedir.With the continuous advancement of technology and the increasing accessibility to data, the dimensions of information and data are also expanding. In conjunction with these developments, companies and employees now have the ability to access more information easily and quickly and store vast amounts of data. As a result of these advancements, extracting meaning from large and valuable data to convert it into information has become an essential need and has grown more complex. Business intelligence applications allow for the collection and categorization of different types of data from various sources, enabling the creation of meaningful relationships among stored data and the development of various reports and dashboard panels within a specific framework. In this thesis, preferred business intelligence tools are identified using machine learning methods, and certain features of these identified tools are presented. The aim is to provide insights for users to make informed decisions in selecting the business intelligence tool. Within the scope of the study, a general description of business intelligence and the machine learning method used to identify preferred business intelligence tools is provided, along with a detailed exploration of some of the identified business intelligence applications. Furthermore, the analysis of certain scientific studies in the literature is conducted, and the findings are presented with the aim of providing users with ideas that can offer different perspectives. These scientific studies aim to shed light on the current structures of the tools under investigation and make them available for future research.